1

KOMPARASI ALGORITMA OPTIMIZATION PARTICLE SWARM DAN SUPPORT VECTOR MACHINE PADA NEURAL NETWORK

UNTUK PREDIKSI HARGA SAHAM

Andri Pramuntadi1, Ari Budi Riyanto2, Imam Adi Nata3, Maya Marselia4

Teknik Informatika, Universitas Alma Ata Yogyakarta

e-mail: 1andri.pramuntadi@gmail.com, 2

ary.budi8@gmail.com, 3 imam.adinata@almaata.ac.id, 4 maya.marselia89@gmail.com

Abstract This research is started from previous research about stock prediction using artificial neural

network which is optimized using Particel Swarm Optimization (PSO). In this study the results of the study will be comparable with Alogaritma Support Vector Mechine which is optimized by using Particel Swarm Optimization (PSO). This comparison uses the dataset divided into 2, which is divided into 2 periods ie for short duration and long term. The first experiment was carried out by training the dataset with NN and SVM with the two data, then the data was re-examined by selecting feature selection with each algorithm ie PSO-NN and PSO-SVM. The dataset resulting from the training is then re-tested for further training. From the experimental results obtained for short-term datasets with PSO-NN obtaining a rmse of 0.467 and rmse 0,455 for PSO-SVM, while for long term rmse obtained from PSO-NN of 0.364 and PSO-SVM rmse obtained at 0.658. From these comparisons it is concluded that on the few datasets the PSO-SVM is able to obtain better accuracy while for more PSO-NN datasets are more explicit in predictions. Keywords: Stock, Prediction, Time Series, Neural Network, Particle Swarm Optimization, Support Vector Machine.

Abstrak

Penelitian ini dimulai dari penelitian sebelumnya mengenai prediksi saham mengunakan jaringan syaraf tiruan yang di optimasi mengunakan Particel Swarm Optimization (PSO). Pada penelitian ini hasil penelitian tersebut akan dikomparasi dengan Alogaritma Support Vector Mechine yang di optimasi dengan mengunakan Particel Swarm Optimization (PSO). komparasi ini mengunakan dataset yang dibagi menjadi 2, yang dibagi menjadi 2 periode yaitu untuk jangka waktu pendek dan jangka waktu panjang. Experiment pertama dilakukan dengan melakukan pelatihan pada dataset dengan NN dan SVM dengan dua data tersebut, kemudian data diuji kembali dengan pemilihan pemilihan fitur dengan masing-masing alogaritma yaitu PSO-NN dan PSO-SVM. Dataset yang hasil dari pelatihan tersebut kemudian di uji kembali untuk dilakukan pelatihan lagi. Dari hasil percobaan tersebut diperoleh untuk dataset dengan jangka waktu pendek dengan PSO-NN memperoleh rmse sebesar 0,467 dan rmse 0,455 untuk PSO-SVM, sedangkan untuk jangka panjang rmse yang diperoleh dari PSO-NN sebesar 0,364 dan PSO-SVM rmse yang diperoleh sebesar 0,658. Dari komparasi ini diperoleh kesimpulan bahwa pada dataset yang sedikit PSO-SVM mampu memdapatkan akurasi lebih baik sedangakan untuk dataset yang lebih banyak PSO-NN lebih ungul dalam prediksi. Kata kunci: Saham, Prediksi, komparasi, rentet waktu, Neural Network, Support Vector Machine, Particle Swarm Optimization

2

PENDAHULUAN Penelitian komparasi algoritma banyak dilakukan untuk mencari algoritma yang

terbaik. Neural network menjadi salah satu algoritma yang baik dalam melakukan prediksi dengan data rentet waktu atau time series didalam studi data mining. Dalam salah satu penelitianya terbarunya Chen [1] mengatakan bahwa salah satu prediksi terbaik mengunakan pembelajaran alogaritma. Alogaritma yang mampu membaca dari tren hingga perekaman pergerakan dari saham merupakan kunci untuk sebuah perdiksi. Chen mengunakan Neural Network dengan penambahan Framework baru untuk menagkap pergerakan dari setiap perubahan saham.

Dalam perkembanganya perdiksi mengunakan alogaritma makin pesat terutama dalam perdiksi saham. Salah satunya dengan mengunakan support vector machines (SVM), diketahui SVM mempunyai kelebihan dalam over-fitting, lambatnya konvergensi, dan sedikitnya data training [2]. Sedangkan untuk Neural Network mempunyai kelebihan memiliki kelebihan pada prediksi nonlinear, kuat di parallel processing dan kemampuan untuk mentoleransi kesalahan [3]. Dalam penelitihan terbarunya Yan, Danfeng mengunakan SVM sebagai analisis prediksi saham dengan mengunakan microblog, dan mendapatkan hasil akurasi yang lebih baik dibandingkan dengan Probabilistic Neural Network [4].

Dalam teknik data mining Particle swarm optimization diangap dapat melakukan optimasi terhadap beberapa alogaritma. Teknik dalam pengoptimasian beragam dari peningkatan pada bobot atribut, menyeleksi atribut yang akan digunakan dan seleksi fitur dalam atribut atau variable yang digunakan. Pada penelitian sebelumnya Particle swarm optimization diangap mampu mengoptimasi atribut yang digunakan pada neural network [5]. SVM digunakan dalam prediksi berdasarkan waktu dengan sistem yang non-linear dan tidak terdefinisiakn namun cenderung bias dalam hasil [6]. SVM adalah kasus khusus dari keluarga algoritma yang kita sebut sebagai regularized metode klasifikasi linier dan metode yang kuat untuk minimalisasi resiko[7]. Dan kelebihan SVM lainnya adalah dapat meminimalkan kesalahan melalui memaksimalkan margin dengan misahkan antara hyper-lane dan satu set data bahkan dengan jumlah sample yang kecil [8].

Dataset yang tidak penting, fitur yang banyak atau sangat berhubungan secara signifikan akan mengurangi tingkat akurasi klasifikasi dengan menghapus fitur ini, dengan begitu tingkat akurasi efisiensi dan klasifikasi dapat diperoleh [9]. PSO sangat menarik untuk pemilihan fitur diman kawanan partikel akan menemukan kombinasi fitur terbaik pada saat pencarian ruang masalah dan PSO dapat menemukan solusi yang optimal dengan cepat[10]. PSO banyak digunakan untuk memecahkan masalah optimasi, serta sebagai masalah seleksi fitur [11]. Dalam teknik PSO terdapat beberapa cara untuk melakukan pengoptimasian diantaranya: meningkatkan bobot atribut (attribute weight) terhadap semua atribut atau variabel yang dipakai, menseleksi atribut (attribute selection), dan feature selection.

Pada penelitian ini komparasi dilakukan terhadap NN dan SVM dengan optimasi mengunakan PSO pada masing-masing alogaritma. Data yang digunakan mengunakan data saham jangka waktu 10 tahun. Tujuan dari penelitain ini untuk mengetahui alogaritma mana yang lebih baik dalam perdiksi rentet waktu yang dioptimasi dengan PSO.

METODE PENELITIAN

Penelitian komparasi ini dilakukan untuk mengetahui manakah yang lebih baik dalam akurasi dalam predeksi rentet waktu dengan mengunakan dua algoritma yaitu neural network dengan Particle swarm optimization atau support vector machines dengan optimasi Particle

3

Swarm Optimizzation. Dan dengan tujuan menemukan fakta, teori, aplikasi dan dengan tujuan untuk menemukan dan menyebarkan pengetahuan baru [12]. Dan menurut Dawson [13] ada empat metode penelitian yang umum digunakan yaitu tindakan penelitian, eksperimen, studi kasus dan survey. Konteks penelitian ini mengacu kepada pemecahan masalah yang meliputi mengumpulan data, proposisi, pengujian hipotesis, menafsirkan hasil dan kesimpulan [12].

Data Mining merupakan teknologi baru yang sangat berguna untuk membantu perusahaan-perusahaan menemukan informasi yang sangat penting dari gudang data mereka. Beberapa aplikasi data mining fokus pada prediksi, mereka meramalkan apa yang akan terjadi dalam situasi baru dari data yang menggambarkan apa yang terjadi di masa lalu [14]. Secara khusus, koleksi metode yang dikenal sebagai 'data mining' menawarkan metodologi dan solusi teknis untuk mengatasi analisis data medis dan konstruksi prediksi model [15].

Teknik pengumpulan data adalah cara yang dapat digunakan untuk mengunakan data [16]. Dalam pengumpulan data terdapat sumber yang terhimpun langsung oleh peneliti yang disebut data primer, sedangkan jika data diperoleh dari pihak kedua dapat disebut data sekunder[16]. Dalam penelitian ini data yang dperoleh adalah data sekunder yang diperoleh dari pasar saham Indonesia. Data merupakan data transaksi penjualan saham yang tercatat setiap hari dimulai dari tanggal 3 januari 2008 sampai dengan tanggal 31 Desember 2017. Data yang diperoleh merupakan data time-series dengan jumlah data 2529 dengan 7 kolom.

Data yang akan diuji dibagi menjadi 2 pengujian untuk long-term prediksi yaitu data transaksi saham selam sepuluh tahun, yaitu data transaksi dari 2008 hingga 2017. Dan short-term prediksi yang terdiri data transaksi selama lima tahun yaitu transaksi dari tahun 2013 hingga tahun 2017. Pembagian berdasarkan waktu tersebut digunakan untuk mengetahuai manakah algoritma yang mampu memprediksi dengan data yang lebih akurat. Tujuan dari penelitian ini adalah komparasi akurasi algoritma neural network dan support vector mechine yang dioptimasi dengan particle swarm optimization pada prediksi harga saham. Dan berikut merupakan gambaran dari kerangka penelitian yang ada:

INDICATOR PROPOSED METHOD OBJECTIVE MEASURMENT

Model Accuracy

RMSE

DATASET

PSO-NN

PSO-SVM

Population

c

e

Hidden Layer

Neuron Size

Activation Function

Gambar: Kerangka Pemikiran

Pengolahan data awal memasukan data dan target yang diimplementasikan ke

4

dalam neural network terlebih dahulu melalui proses preprocessing data berupa pengsekalan normalisai data. Dengan tujuan masing-masing dari algoritma dapat mengenali data yang akan dibobot. Untuk mendapatkan data yang berkualitas, beberapa teknik data validation, data integration and transformation dan data size reduction and discritization [17].

Table Atribut yang digunakan

NO Attribut Keterangan

1 Date Tanggal transaksi

2 Open Harga Pembukaan

3 High Harga tertinggi

4 Low Harga terrendah

5 Close Harga penutupan

6 Adj Close Perkiraaan harga penutupan

7 Volume Volume penjualan saham

Model dalam penelitian ini dilakukan dengan memproses data training hingga metode algoritma yang akan diuji dengan memasukan data saham yang dianalisi dan dikomparasi. Berikut merupakan bentuk gambaran metode algoritma yang akan diuji.

Model experiment yang diusulkan pada penelitian ini adalah dengan menerapkan particle swarm optimization untuk meningkatkan bobot atribut dari neural network. Kemudian mencari bobot atribut dari support vector mechine. Seperti pada gambar dibawah ini model yang diusulkan dalam penelitian ini mulai dari pemilihan fitur dataset dengan mengunakan PSO.

Gambar: Model Pemilihan fitur Neural Network dengan PSO

Dan pada gambar dibawah ini merupakam model yang diusulkan dalam penelitian dan pemilihan fitur dataset pada algoritma SVM dengan mengunakan PSO.

5

Gambar: Model Pemilihan fitur SVM dengan PSO

Experiment dan pengujian metode digunakan untuk menyelesaikan prediksi

saham dengan mengunakan 3 algoritma yaitu neural network, support vector machine dan particle swarm optimization. Pada penelitian kali ini yang digunakan adalah penelitian Experiment. Penelitian eksperimen melibatkan penyelidikan hubungan kausal menggunakan tes dikendalikan oleh si peneliti itu sendiri. Dalam penelitian eksperimen digunakan spesifikasi software dan hardware sebagai alat bantu dalam penelitian.

Evaluasi dan validasi hasil pada penelitian ini adalah membandingkan neural network dengan mengunakan particle swarm optimization dan support vector machine dengan particle swarm optimization. Dengan menetukan nilai bobot terlebih dahulu yang kemudian mencari RMSE terbaik. Sedangkan penerapan algoritma support vector machine berbasis Particle swarm optimization beracuan pada nilai weight pada algoritma tersebut. Setelah ditemukan nilai akurasi yang paling ideal dari parameter tersebut langkah selanjutnya adalah menentukan nilai weight. Setelah ditemukan nilai akurasi yang paling ideal dari parameter tersebut langkah selanjutnya adalah menentukan weight sehingga terbentuk struktur algoritma yang ideal untuk pemecahan masalah tersebut.

Dalam melakukan penelitian ini diperlukan eksperimen dan proses pengujian model yang diusulkan. Proses eksperimen dan pengujian model menggunakan bagian dari dataset yang ada. Semua dataset kemudian diuji dengan metode yang diusulkan pada aplikasi Rapidminer 5

6

HASIL PENELITIAN Tujuan dari penelitian ini adalah komparasi algoritma neural network berbasis

particle swarm optimization dengan support vector mechine berbasis particle swarm optimization. Pengujian Neural Netrwork berbasis Particle swarm optimization dilakukan

dengan mencari paramaeter terbaik dari neural network yang digunakan seperti momentum, learning rate dan hidden layer yang digunakan. Berikut merupkan hasil percobaan yang telah dilakukan dalam menetukan nilai lerning rate.

Table: Penetuan nilai learning rate

Learning Rate

Training Cycles

Momentum RMSE

0.1 500 0.2 0.472

0.2 500 0.2 0.471

0.3 500 0.2 0.487

0.4 500 0.2 0.487

0.5 500 0.2 0.577

0.6 500 0.2 0.472

0.7 500 0.2 0.469

0.8 500 0.2 0.569

0.9 500 0.2 0.470

1 500 0.2 0.474

Diperoleh nilai RMSE terrendah pada learning rate 0,469 pada nilai learning rate 0,6. Setelah itu menentukan nilai momentumdengan memasukan nilai range 0 hingga 0,9. Berikut adalah hasil percobaan yang telah dilakukan dalam menentukan nilai momentum.

Table: penentuan nilai momentum.

Learning Rate

Momentum Training Cycles

RMSE

0.6 0 500 0.468

0.6 0.1 500 0.469

0.6 0.2 500 0.469

0.6 0.3 500 0.473

0.6 0.4 500 0.492

0.6 0.5 500 0.467

0.6 0.6 500 0.881

0.6 0.7 500 1.871

0.6 0.8 500 1.919

0.6 0.9 500 2.178

0.6 1 500 2.764

Berdasar percobaan tersebut diperoleh nilai momentum pada nilai 0 menghasilkan nilai 0,468. Setelah diperoleh nilai momentum dan learning rate pada training cycle 500. Berlanjut pada pentuan hidden layer berikut merupakan hasil percobaan hidden layer.

Table penetuan hidden layer

Size RMSE Size RMSE

1 3.293 16 0.964

7

2 0.463 17 3.367

3 2.189 18 0.620

4 0.466 19 1.803

5 0.587 20 0.531

6 0.594 21 2.630

7 0.642 22 0.495

8 0.535 23 0.495

9 0.664 24 0.689

10 0.468 25 0.760

11 0.584 26 0.550

12 0.871 27 0.658

13 0.530 28 0.682

14 0.598 29 0.462

15 0.473. 30 0.913

Hasil terbaik pada percobaan hidden layer yaitu hidden layer dengan size 2 dan rmse yang dihasilkan sebesar 0,463. Hasil tersebut dapat kita hitung dengan rumus RMSE:

RMSE = Jumlah (Close – Prediksi)2 / jumlah data

= (0.15^2+0.34^2+0.34^2+0.06^2….+0.8^2)/133 = 0,4628459877456

Table: hasil RMSE dari neural network root_mean_squared_error

root_mean_squared_error: 0.463 +/- 0.141 (mikro: 0.466 +/- 0.000)

squared_error

squared_error: 0.257 +/- 0.152 (mikro: 0.237 +/- 0.341)

Pengujian Neural Network dengan Particel Swarm Optimization dilakukan dengan melakukan normalisasi data seperti pada table, setelah data dinormalisasikan tahap selanjutnya karena mengunakan neural network sebagai algoritma pembobotanya maka setelah tahap neural network diatas maka proses yang dilakukan adalah melakukan Inisialisasi komponen-komponen pada particle swarm optimization, Jumlah partikel pada neural network merupakan representasi dari partikel pada particle swarm optimization.

8

Dari perhitungan tersebut diperoleh hasil dengan perhitungan dengan keseluruhan data diperoleh bahwa attribut yang memiliki atribut yang berpengarug terhadap bobot atribut yaitu: high atau harga tertinggi, Close atau harga penutupan dan volume yang memiliki nilai bobot 1.

Diketahui bahwa atribut yang bernilai 1 adalah harga tertinggi dan nilai volume. Atribut ini memiliki nilai weight 1 dimana atribut tersebut paling berpengaruh. Dari hasil diatas kemudian attribute dengan nilai 0 akan dihilangkan dari training pada neural network. Dan di lakukan training trail and error kembali dengan neural network untuk menentukan hidden size pada neuron mana yang terbaik.

Table Experiment hidden layer PSO-NN untuk short-term

Size RMSE Size RMSE

1 3.293 16 1.964

2 2.189 17 1.367

3 0.573 18 0.620

4 0.467 19 0.803

5 0.484 20 0.580

6 2.396 21 2.630

7 1.042 22 1.459

8 0.468 23 5.459

9 0.664 24 0.570

10 0.598 25 0.960

11 0.488 26 0.541

12 0.871 27 0.658

13 0.530 28 4.382

14 0.598 29 5.362

15 0.973. 30 7.713

Tabel Experiment hidden layer PSO-NN untuk Long-Term

Size RMSE Size RMSE

1 3.293 16 1.964

2 2.189 17 1.367

3 0.473 18 0.520

4 0.391 19 0.503

5 0.394 20 0.780

6 0.396 21 2.630

7 1.042 22 0.459

8 0.468 23 0.459

9 0.364 24 0.570

10 0.398 25 1.960

11 0.378 26 0.441

12 0.971 27 5.658

13 1.530 28 4.382

14 0.598 29 0.462

9

15 2.973. 30 0.413

Diperoleh hasil untuk percobaan PSO-NN untuk data pada short-term dan long-term pada tabel berikut:

Tabel: Hasil PSO-NN

Experiment Short-term (RMSE)

Long-Term (RMSE)

PSO-NN 0,467 0,364

Pada pelatihan support vector machine Nilai training cycles dalam penelitian ini ditentukan dengan cara melakukan uji coba memasukkan C, epsilon. Berikut ini adalah hasil dari percobaan yang telah dilakukan untuk penentuan nilai training cycles.

Tabel Experiment penetuan nilai traning cycle SVM

C Epsilon RMSE ACCURY

0.0 0.0 0,753 74,21%

1.0 1.0 0,500 65%

1.0 1.0 0,500 65%

1.0 0.0 0,758 74,21%

1.0 1.0 0,500 65%

1.0 1.0 0,500 65%

1.0 1.0 0,500 65%

1.0 0.0 0,758 74,21%

1.0 0.0 0,758 74,21%

Hasil terbaik pada eksperiment SVM diatas adalah dengan C=0.0 dan Epsilon=0.0 dihasilkan accuracy 74,21 dan RMSEnya 0.753 untuk SVM dengan C=1.0 dan Epsilon=0.0 dihasilkan accuracy 77,36 dan RMSEnya 0.775. Support Vector Machine Berbasis Particle Swarm Optimization Nilai training cycles dalam penelitian ini ditentukan dengan cara melakukan uji coba memasukkan C, epsilon dan population size. Dan atribut pembobotan pada experiment ini diperoleh sebagai berikut:

Berikut ini adalah hasil dari percobaan yang telah dilakukan untuk penentuan nilai training cycles:

Tabel: Eksperiment penentuan nilai training cycleSVM berbasis PSO untuk short-term

C Epsilon Population

Size RMSE ACCURY

0.0 0.0 5 0,478 75,79%

1.0 1.0 5 0,500 65,11%

1.0 1.0 5 0,500 65,11%

10

1.0 0.0 5 0,455 77,36%

1.0 1.0 5 0,500 65,11%

1.0 1.0 5 0,500 65,11%

1.0 1.0 5 0,500 65,11%

1.0 0.0 10 0,758 77,36%

1.0 0.0 100 0,758 77,21%

Tabel: Eksperiment penentuan nilai training cycleSVM berbasis PSO untuk Long-term

C Epsilon Population

Size RMSE ACCURY

0.0 0.0 5 0,658 74,53%

1.0 1.0 5 0,500 65,11%

1.0 1.0 5 0,500 65,11%

1.0 0.0 5 0,678 73,36%

1.0 1.0 5 0,500 65,11%

1.0 1.0 5 0,500 65,11%

1.0 1.0 5 0,500 65,11%

1.0 0.0 10 0,758 70,36%

1.0 0.0 100 0,758 70,21%

Diperoleh hasil untuk percobaan PSO-SVM untuk data pada short-term dan long-term pada tabel berikut:

Tabel: Hasil PSO-SVM

Experiment Short-term (RMSE)

Long-Term (RMSE)

PSO-SVM 0,455 0,658

KESIMPULAN Dari hasil pengujian diatas, baik evaluasi PSO-NN dan PSO-SVM dalam

pengujian mengunakan data short-term dan data long-term diperoleh hasil sebagai berikut:

Tabel: Komparasi PSO-NN dan PSO-SVM

Experiment Short-term (RMSE)

Long-Term (RMSE)

PSO-NN 0,467 0,364

PSO-SVM 0,455 0,658

Untuk hasil experiment diatas diperoleh nilai untuk short-term untuk model algoritma PSO-NN menghasilkan nilai 0,467, sedang untuk PSO-SVM diperoleh nilai 0,455. Sedang untuk penelitian long-term untuk model algoritma PSO-NN menghasilkan nilai 0,364, sedang untuk PSO-SVM diperoleh nilai 0,658. Dengan demikian dapat disimpulkan bahwa SVM berbasis PSO dapat memberikan solusi yang lebih baih untuk prediksi rentet waktu dengan data yang lebih pendek, dengan akurasi 77,36%. Sedangkan

11

untuk data yang lebih banyak atau long-term PSO-NN memiliki tingkat akurasi lebih baik dengan nilai 80,37%.

SARAN

Agar penelitian ini bisa ditingkatkan, berikut adalah saran yang diusulkan. Penelitian ini dapat dikembangkan dengan metode optimasi lainnya seperti Ant Colony Optimization (ACO), Genetic Algorithm (GA), dan lainnya.

DAFTAR PUSTAKA [1] H. Chen, K. Xiao, J. Sun, and S. Wu, “A Double-Layer Neural Network

Framework for High-Frequency Forecasting,” ACM Trans. Manag. Inf. Syst., vol. 7, no. 4, pp. 1–17, Jan. 2017.

[2] Y. Kara, M. Acar Boyacioglu, and Ö. K. Baykan, “Predicting direction of stock price index movement using artificial neural networks and support vector machines: The sample of the Istanbul Stock Exchange,” Expert Syst. Appl., vol. 38, no. 5, pp. 5311–5319, May 2011.

[3] S. Fei, Y. Miao, and C. Liu, “Chinese Grain Production Forecasting Method Based on Particle Swarm Optimization-based Support Vector Machine,” pp. 8–12, 2009.

[4] D. Yan, G. Zhou, X. Zhao, Y. Tian, and F. Yang, “Predicting stock using microblog moods,” China Commun., vol. 13, no. 8, pp. 244–257, Aug. 2016.

[5] A. Pramuntadi, U. Alma, and A. Yogyakarta, “Model Prediksi Rentet Waktu Neural Network Berbasis Particle Swarm Optimization Untuk,” Telematika, vol. 14, no. 2, pp. 100–106, 2017.

[6] N. Sapankevych and R. Sankar, “Time Series Prediction Using Support Vector Machines: A Survey,” IEEE Comput. Intell. Mag., vol. 4, no. 2, pp. 24–38, May 2009.

[7] S. M. Weiss, N. Indurkhya, and T. Zhang, Fundamentals of Predictive Text Mining. London: Springer London, 2010.

[8] F. Gorunescu, Data mining: Concepts, models and techniques, vol. 12. 2011.

[9] M. Abou-Nasr, S. Lessmann, R. Stahlbock, and G. M. Weiss, Eds., Real World Data Mining Applications, vol. 17. Cham: Springer International Publishing, 2015.

[10] R. Parimala and R. Nallaswamy, “Feature Selection using a Novel Particle Swarm Optimization and It’s Variants,” Int. J. Inf. Technol. Comput. Sci., vol. 4, no. 5, pp. 16–24, May 2012.

[11] Y. Liu, G. Wang, H. Chen, H. Dong, X. Zhu, and S. Wang, “An Improved Particle Swarm Optimization for Feature Selection,” J. Bionic Eng., vol. 8, no. 2, pp. 191–200, 2011.

[12] M. Berndtsson, J. Hansson, B. Olsson, and B. Lundell, Thesis Projects: A Guide for Students in Computer Science and Information Systems. 2008.

12

[13] C. W. Dawson, Projects in Computing and Information Systems, vol. 2. 2009.

[14] A. T, S. Natarajan, and K. N. B. Murthy, “A Data Mining Approach to the Diagnosis of Tuberculosis by Cascading Clustering and Classification,” Learning, p. 8, 2011.

[15] R. BELLAZZI and B. ZUPAN, “Predictive data mining in clinical medicine: Current issues and guidelines,” Int. J. Med. Inform., vol. 77, no. 2, pp. 81–97, Feb. 2008.

[16] Sugiyono, Metode Penelitian Kuantitatif Kualitatif dan R&D. Alfabeta, 2010.

[17] C. Vercellis, Business Intelligence. Chichester, UK: John Wiley & Sons, Ltd, 2009.